相關(guān)知識
Reques庫
import requests
1.發(fā)送請求
使用Requests發(fā)送網(wǎng)絡(luò)請求非常簡單。
r = requests.get("http://www.lxweimin.com/u/3307ac591285")
其中r為Response對象。
2.傳遞URL參數(shù)
（沒有用到也看不懂）
3.響應(yīng)服務(wù)
r.text
Requests會自動解碼來自服務(wù)器的內(nèi)容，大多數(shù)unicode字符集都能被無縫地解碼。
當(dāng)請求發(fā)出后，Requests會基于HTTP頭部對響應(yīng)的編碼作出有根據(jù)的推測。當(dāng)訪問r.text時，Requests會使用期推測的文本編碼。
4.二進(jìn)制響應(yīng)內(nèi)容
能以字節(jié)的方式訪問請求響應(yīng)體，對于非文本請求
r.content
Requests會自動為你解碼gazip和deflate傳輸編碼的響應(yīng)數(shù)據(jù)。
例如，以請求返回的二進(jìn)制數(shù)據(jù)創(chuàng)建一張圖片，可以使用如下代碼
from PIL import Image
from io import BytesIO
i = Image.open(BytesIO(r.content))
#直接展示照片，格式為.BMP
i.show()
#保存為.jpg格式的照片
i.save('G:/1.jpg')
5....
(以后的內(nèi)容就用不上了，暫時不表)
以上引用 快速上手Requests
BeautifulSoup4庫
BeautifulSoup除了內(nèi)置HTML解析器，還支持一些第三方解析器，如html5lib，lxml等。
一般可以處理兩種html文件，一種是在線獲取再處理，一種是直接處理本地文件。
import requests
from bs4 import BeautifulSoup
#通過requests獲取
html = requests.get("http://www.lxweimin.com/u/3307ac591285")
soup = BeautifulSoup(html.text)
#處理本地文件
soup = BeautifulSoup(open('test.html'))
1.遍歷文檔樹
（我還沒學(xué)過html，理解不到這邊節(jié)點(diǎn)的劃分，就不貼了）
2.搜索文檔樹
find_all(name, attrs, recursive,text,**kwargs)
1)name參數(shù)可以查找所有名字為name的tag
查找所有<b>標(biāo)簽
A 字符串
soup.find_all('b')
B 正則表達(dá)式
import re
for tag in soup.find_all(re.compile('^b'))
print(tag.name)
C 列表（不懂）
soup.find_all(['a', 'b'])
D 方法（打擾了）
2）關(guān)鍵字參數(shù)
#查找id為link2
soup.find_all(id = 'link2')
#傳入href參數(shù)，搜索每個tag的'href'屬性
soup.find_all(href = re.compile('elseid'))
#可以使用多個指定名字的參數(shù)，同時過濾tag的多個屬性
soup.find_all(href = re.compile('elseid'),id = 'link2')
#注意class是python中的關(guān)鍵字
soup.find_all('a',class_ = 'sister')
# 有些tag屬性在搜索不能使用，比如html5的data-*屬性，可以通過find_all()的attrs參數(shù)定義一個字典來搜索包含特殊屬性的tag
soup.find_all(attrs={'data-foo': 'value'})
3）text參數(shù)
通過text參數(shù)可以搜索文的字符串內(nèi)容與name參數(shù)的可選值一樣，text參數(shù)接受字符串，正則表達(dá)式，列表，True
4）limit參數(shù)
limit參數(shù)與SQL中的limit關(guān)鍵字類似，當(dāng)搜索到的結(jié)果數(shù)量達(dá)到limit的限制時，就停止搜索返回結(jié)果
soup.find_all('a',limit = 2)
5)recursive參數(shù)
調(diào)節(jié)tag的find_all()方法時，BeautifulSoup會檢索當(dāng)前所有的子孫節(jié)點(diǎn)，如果只想搜索tag的直接子節(jié)點(diǎn)，可以使用參數(shù)recursive = False
#為什么要加一個.html???
soup.html.find_all('title', recursive = False)
find( name , attrs , recursive , text , **kwargs )
與 find_all() 方法唯一的區(qū)別是 find_all() 方法的返回結(jié)果是值包含一個元素的列表,而 find() 方法直接返回結(jié)果
引用-dreams512
4.CSS選擇器
寫css時，標(biāo)簽名不加修飾，類名前加點(diǎn)，id名前加#，可以利用類似的方法篩選元素，用到的方法是soup.select()返回list
(例子我也不懂，就不貼了)
參考別人的代碼
此段代碼還里遺留了五個問題【假裝是紅色】
#coding=utf-8
import requests
from bs4 import BeautifulSoup
import os
from multiprocessing import Pool
# http請求頭
# 這個頭是模仿瀏覽器訪問的，網(wǎng)站會根據(jù)這個判斷你的瀏覽器及操作系統(tǒng)，很多網(wǎng)站沒有此信息會拒絕你訪問
Hostreferer = {
'User-Agent': 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)',
'Referer': 'http://www.mzitu.com'
}
# 此請求頭破解盜鏈 --------------①
Picreferer = {
'User-Agent': 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)',
'Referer': 'http://i.meizitu.net'
}
all_url = 'http://www.mzitu.com'
# 保存地址
path = 'G:/mzitu/'
def Download(href,title):
html = requests.get(href,headers = Hostreferer)
soup = BeautifulSoup(html.text,'html.parser')
pic_max = soup.find_all('span')
#這個10的意義------------------------------④
#圖一
pic_max = pic_max[10].text # 最大頁數(shù)
if(os.path.exists(path+title.strip().replace('?','')) and len(os.listdir(path+title.strip().replace('?',''))) >= int(pic_max)):
print('已完畢，跳過'+title)
return 1
print("開始扒取：" + title)
os.makedirs(path+title.strip().replace('?',''))
os.chdir(path + title.strip().replace('?',''))
for num in range(1,int(pic_max)+1):
#圖二
pic = href+'/'+str(num)
html = requests.get(pic,headers = Hostreferer)
mess = BeautifulSoup(html.text,"html.parser")
pic_url = mess.find('img',alt = title)
html = requests.get(pic_url['src'],headers = Picreferer)
#-1的意義-------------------------------⑤
file_name = pic_url['src'].split(r'/')[-1]
f = open(file_name,'wb')
f.write(html.content)
f.close()
# print('完成'+title)
if __name__=='__main__':
start_html = requests.get(all_url, headers=Hostreferer)
# 找尋最大頁數(shù)
soup = BeautifulSoup(start_html.text, "html.parser")
page = soup.find_all('a', class_='page-numbers')
#----------------------------②
max_page = page[-2].text
same_url = 'http://www.mzitu.com/page/'
#多線程，此開了15線程
pool = Pool(15)
for n in range(1, int(max_page) + 1):
#通過觀察不同頁碼的url得到的規(guī)律
ul = same_url + str(n)
#訪問每個頁面
start_html = requests.get(ul, headers=Hostreferer)
soup = BeautifulSoup(start_html.text, "html.parser")
all_a = soup.find('div', class_='postlist').find_all('a', target='_blank')
for a in all_a:
print("a的內(nèi)容：")
print(a)
#<a target="_blank"><img alt="性感女神易陽elly無圣光美圖 超級木瓜奶無比誘人" class="lazy" data-original="http://i.meizitu.net/thumbs/2018/06/137726_07a23_236.jpg" height="354" src="http://i.meizitu.net/pfiles/img/lazy.png" width="236"/></a>
title = a.get_text() # 提取文ben
if (title != ''):
print("a的get_text")
print(title)
#性感女神易陽elly無圣光美圖 超級木瓜奶無比誘人
href = a['href']
print('href:')
print(href)
#http://www.mzitu.com/137726
#這是這個多線程的方法，不過這個傳參方式-----------------------③
pool.apply_async(Download,args=(href,title))
pool.close()
pool.join()
print('所有圖片已下完')
后注：
在粗略了解本段代碼之后就去嘗試爬 pexels的圖片，然后光榮犧牲。
不過在修改代碼的過程中，發(fā)現(xiàn)每個網(wǎng)站爬的難度是不一樣的，比如pexels，理論上在搜索之后，只需要在對當(dāng)前頁面進(jìn)行解析，就可以找到存儲圖片的URL鏈接。
當(dāng)時用Image.open(BytesIO(r.content))代碼，不能下載圖片，提示OSError: cannot identify image file <_io.BytesIO object at 0x00000153910C5620>，百度出來的解法不對，后來我試驗了幾個網(wǎng)站找到了問題
import requests
from PIL import Image
from io import BytesIO
if __name__=='__main__':
right200_url = 'https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1535279402&di=6594fb2bd0922a9f0d304818509723ea&imgtype=jpg&er=1&src=http%3A%2F%2Fa.hiphotos.baidu.com%2Fimage%2Fpic%2Fitem%2F0824ab18972bd4077557733177899e510eb3096d.jpg'
wrong503_url = 'https://images.pexels.com/photos/157967/portrait-woman-girl-blond-157967.jpeg'
wrong403_url = 'http://i.meizitu.net/2018/08/07b08.jpg'
right200_url2 = 'https://visualhunt.com/photos/1/portrait-of-young-woman-wearing-sunglasses-and-holding-wildflowers-in-meadow.jpg'
r = requests.get(wrong503_url)
print(r)
i = Image.open(BytesIO(r.content))
i.show()
i.save('G:/111.jpeg','JPEG')
發(fā)現(xiàn)有可能是服務(wù)器拒絕了你的請求，比如以上我的命名就是服務(wù)器返回值。
返回值的意義
在多次requests之后出現(xiàn)錯誤
#requests.exceptions.SSLError: hostname 'requestb.in' doesn't match either of '*.herokuapp.com', 'herokuapp.com'
requests.get('https://requestb.in')
這是SSL證書驗證的問題。SSL驗證默認(rèn)是開啟的，如果證書驗證是失敗，Requests會拋出SSLError。
可以通過開啟驗證requests.get('https://github.com', verify=False)的方式解決。
當(dāng)時我也遇到這個問題，但原因好像不是這個，我已經(jīng)搜索不到我的歷史記錄了，所以下一次遇到了再填坑。
